《表2 X轴BP神经网络学习结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于神经网络的宏/微双驱动运动平台误差预测及补偿技术研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

根据所测得X轴5组定位数据，选择间距8mm的测量值计算误差。双向测量结果同一点定位误差计算平均值作为该点定位误差值。将5组数据分成3+1+1形式即Training样本数为3，Validation样本数为1，Testing样本数为1，其中前三组（x1～x3）作为输入层的训练样品数据，x4作为验证数据，x5作为测试结果数据。导入2.2节测得的5组定位数据，设定样本数据的70%进行训练，15%进行验证，15%进行测试，隐层神经元个数设定为10个。选择本次训练的算法为Levenberg-Marquardt算法。其结果，如表2所示。网络训练后，其网络误差性能随训练而变化的曲线，如图5(a）所示。随着学习次数的增加，试验网络拟合波动性能变弱，网络均方差值趋于0；并且通过验证数据表明最好的性能值在第二次学习时，数值为0.33823。根据网络学习结果绘制出训练数据、验证数据、测试数据的曲线回归情况，如图5(b）所示。最终宏/微双驱动定位进给系统X轴五组测量数据全体的拟合情况为R=0.66682。拟合完成后，根据拟合结果进行X轴定位进给误差的预测并通过宏/微双驱动定位进给协调控制软件系统进行几何误差补偿，从而提高机床的定位精度。采用相同方法对宏/微双驱动定位进给系统Y轴进行误差分析和补偿。对Y轴网络训练样品的5组数据采用间距8mm的测量值计算误差。导入样本数据。设定样本数据的70%进行训练，15%进行验证，15%进行测试，隐层神经元个数设定为10个。为了提高学习准确性，选用Scaled Conjugate Gradient算法，其结果，如表3所示。